Snoopy+phpquery采集demo
用phpquery类,写了个采集的demo,以 某网贷平台的 一个列表为例,我们要采集该平台下面的 各平台名称,结构树如下
1 include 'phpQuery.php'; 2 3 phpQuery::newDocumentFile('http://www.wangdaizhijia.com/dangan/');//获取Dom文档 4 5 $artlist = pq(".terraceList")->find('.item .nameBox .name');//筛选节点 6 7 //echo count($arrlist) //数量 8 9 foreach($artlist as $k=>$v){ 10 echo pq($artlist)->find("a:eq($k)")->text()."<br/>";// text方法只文本,html方法含html代码 11 }
注意:html和text对于获取表单不太好使。例如<input type="hidden" name="sss" value="testvalue" />
pq("input[name='sss']")->html()/text() 是无效的。。
要使用attr方法
pq("input[name='sss']")->attr("value");
采集结果如下:
这里要考虑到一个问题,如果采集的页面的分页链接是有分页信息的自然最好,就想我现在采集的这个网站,网站分页是用ajax加载一个url,提交页码数,返回json数据来渲染页面的,并非链接跳转第N页。
那么我们怎么做呢,phpquery显然不足以完成这些,所以我考虑到了snoopy,他不但可以采集,还可以模拟响应信息,模拟表单自然不在话下。但是dom操作没有phpquery那么人性化,所以两者结合自然是
最好的。
1,抓取http响应
得到信息:点击N页的时候 需要 提交 currPage=N 和 sort=0 两个参数 至 http://www.wangdaizhijia.com/front_select-plat
so
include "Snoopy.class.php"; $snoopy=new Snoopy; $data=array('currPage'=>2,'sort'=>0);//获得第二页 $snoopy->submit('http://www.wangdaizhijia.com/front_select-plat',$data); //模拟提交表单 echo $snoopy->results; //输出返回结果
我需要遍历所有记录,所以我需要知道总页数,来决定循环请求的次数。
其实返回记录里面已经有了。pageCount=95页,rowCount 记录数,如果别的网站没有返回这种信息也要紧,用phpquery去采集总页数的那个dom元素的值嘛。
1 $snoopy=new Snoopy; 2 3 $url="http://www.wangdaizhijia.com/front_select-plat"; 4 5 $snoopy->submit($url,array('currPage'=>1,'sort'=>0)); 6 7 $index=$snoopy->results;//第一页 8 9 $index_arr=json_decode($index,1);//转化数组 10 11 $pageCount=$index_arr['pageCount'];//总页数 12 13 $data=$index_arr['list'];//首页数据 14 15 //第二页开始,循环采集,并追加至$data 16 for($i=2;$i<=$pageCount;$i++){ 17 $snoopy->submit($url,array('currPage'=>$i,'sort'=>0)); 18 $res=$snoopy->results; 19 $res=json_decode($res,1);//转化数组 20 foreach($res['list'] as $k=>$v){ 21 $data[]=$res['list'][$k]; 22 } 23 } 24 25 var_dump($data); 26 27 //入库....
注意:
1,phpQuery内存占用过大,导致溢出问题
phpQuery在每处理一个网页就会产生一个DOMDocumentWrapper 对象,而每个DOMDocumentWrapper 对象会被保存在静态成员$documents中(phpQuery::createDocumentWrapper中),
这个变量是一个数组,每解析一个 网页数组元素就增加一个。
推荐使用:phpQuery::$documents = array();
unset(phpQuery::$documents)//这个有可能会报错